發現 COVID-19 疫苗所花的時間證明了醫療行業的創新步伐。創新的步伐可以直接聯系到蓬勃發展的創新者生態系統和大量基于人工智能的醫療保健初創公司。相比之下， 5G 無線產業引進下一代系統大約需要十年時間。
O-RAN 聯盟是解決創新速度和部署后功能增強問題的一種先驅。不透明設計的傳統模式正在被具有開放和標準化界面的透明范式所打破。忘記使用封閉和專有的接口，以及為生態系統提供有限的選項，以便將新功能引入已部署的設備。
新的范例包括諸如 RAN 智能控制器（ RIC ）之類的概念， RIC 是一項關鍵技術，它使第三方能夠向網絡添加新功能。這不僅為開發者生態系統，也為網絡運營商提供了賺錢的機會。
無線的未來
軟件化、虛擬化和分散化是 5G 及以上通信網絡的一些基本概念。 RAN 的軟件化及其使用軟件無線電（ SDR ）范式的實現對于支持 5G 的三個關鍵用例至關重要：
- 增強型移動寬帶（ eMBB ）
- 超可靠低延遲通信（ URLLC ）
- 大規模機器類型通信（ mMTC ）
4G 和 5G 之間的一個關鍵區別在于，通過軟件，能夠動態地啟動和拆除由 eMBB 、 URLLC 和 mMTC 流組成的網絡片。事實上，這是 5G 的核心價值主張。
虛擬化是在移動邊緣計算（ MEC ）中高效共享硬件和軟件資產以支持異構工作負載的一個促成因素。分解代表了無線產業新生態系統的曙光。它為廣大的 spe CTR um 和新一代硬件開發人員打開了新的商機之門。
傳統的、單片的、不透明的無線基礎設施設備被分解為集中式單元（ CU ）、分布式單元（ DU ）和無線單元（ RU ）的邏輯實體。這使得傳統網絡和新興的專用 5G 網絡運營商能夠靈活地定制系統架構，以滿足其運營和業務需求。
這種無線網絡基礎設施新方法的一個同樣重要的組成部分是硬件和軟件子系統之間物理和邏輯接口的標準化。隨著開放軟件棧的開發，這些功能使得能夠通過軟件快速部署新的網絡功能。它們還使新一代軟件生態系統開發人員能夠編寫應用程序代碼，以便在網絡中部署。這些應用程序通過這些標準化的接口和 api ，促進了對 CU 、 DU 和 RU 中運行的實體的控制和交互。
RAN 智能控制器
O-RAN 聯盟正在標準化一個開放的、智能的、可分解的 RAN 體系結構。 目標是使用 COTS 硬件構建運營商定義的 RAN ，并為 5G 和未來一代 6G 無線網絡提供基于 AI / ML 的智能控制。將使用專有硬件、接口和軟件構建的傳統 RAN 替換為使用 COTS 硬件和開放接口的 VRAN 。新的體系結構可以選擇支持專有軟件和生態系統開發的應用程序。
O-RAN 標準最重要的元素之一是圖 1 所示的 RAN 智能控制器（ RIC ）。 RIC 由兩個主要組件組成：
- 非實時 RIC （ Non-RT RIC ）：支持時間尺度大于 1 秒的網絡功能。
- 近實時 RIC （近實時 RIC ）：支持以 10 毫秒 -1 秒的時間尺度運行的函數。
作為 SMO 框架的一部分，非 RT RIC 的一些職責包括 ML 模型生命周期管理和 ML 模型選擇。它還包括對從 CU 、 DU 甚至 RU 收集的數據進行編組、整理和預處理，為在訓練主機上進行模型訓練做準備。
O-RAN 架構中引入的近 RT-RIC 為系統帶來了軟件定義的智能。它包括對 CU 和 DU 數據流的高級近實時分析、 AI 模型推理和機器學習（ ML ）模型的在線再培訓。
SMO 、 Non-RT-RIC 和 Near-RT-RIC 共同將 ML 技術引入到網絡體系結構的所有層：第 1 層 PHY 、第 2 層，以及通過基于 AI 的自組織網絡（ SoN ）功能在網絡級別本身。
為了幫助更詳細地理解 RIC ，請考慮一個 LTE 示例。該方法類似于 5G NR 。該示例通過使用長 – 短期記憶（ LSTM ）業務預測模型，使用支持 RIC 的 AI 進行小區容量管理。其目標是預測網絡中所有小區的通信量并緩解未來的擁塞。有關更多信息，請參閱 超 5G 和 6G 無線網絡的智能 O-RAN 。
兩層 LSTM 網絡每層使用 12 個 LSTM 單元。它是在一個真實的、完全可操作的無線網絡中使用來自 17 個 LTE enb 的 UE 吞吐量測量和物理資源塊（ PRB ）利用率來訓練的。推斷操作預測未來 1 小時內 UE 吞吐量和 eNB 下行鏈路 PRB 利用率。
圖 2 顯示了一個 eNB 的一個小區的吞吐量和 PRB 利用率的基本事實（實際）和預測（ LSTM 推斷）。平均預測準確率為 92 . 64% 。由于能夠預測未來 1 小時內的小區負荷， eNB 可以采取措施避免覆蓋中斷，例如小區分裂。
在本例中， SMO 的作用是通過 O1 接口（圖 1 ）從 O-CU / DU 收集數據并將其傳送到非 RT RIC 。非 RT-RIC rApp 反過來查詢與 SMO 相關聯的 AI 服務器。 AI 服務器運行一個訓練過程，根據從操作網絡收集的新數據更新 LSTM 模型參數。
從編程模型和計算能力的角度來看， gpu 是 ML 訓練的自然選擇。無線網絡規模龐大，訓練工作量大。 我們不感興趣的模型訓練為一個單一的 eNB 與幾個細胞。相反，我們感興趣的是培訓一個系統，它可以有 100 到 1000 個基站，有 1000 個小區和 1000 到 10000 個用戶終端。擁有一個 GPU 支持的人工智能培訓服務器，就可以在許多 SMO 主機上共享基礎設施。它比 CPU 人工智能培訓主機更具成本和能效。換言之，網絡運營商既有資本支出優勢，也有運營支出優勢。
在訓練服務器更新 LSTM 模型之后，更新的模型參數被返回到非 RT-RIC rApp ，并且吞吐量/ PRB 預測過程繼續使用更新的模型。圖 3 顯示了吞吐量增益。縱軸顯示每個頻段的用戶吞吐量在橫軸上表示的工作小時數的分數。
例如，您可以看到，在沒有小區分裂的情況下，吞吐量在 5-7 . 5 Mbps 的范圍內大約有 1% 的時間。通過預測細胞分裂，吞吐量在相同的范圍內大約為 10% ，相差 10 倍。
NVIDIA 正在研究的 xApp 是實現智能和預測的多小區聯合資源管理。這有可能顯著提高網絡的能源效率。
在非 RT-RIC 上運行的 AI 算法可以在一個預測窗口內（以秒到分鐘的時間尺度）預測每個小區的用戶密度和流量負載。預測基于 CUs 和 DUs 提供的交通歷史。每個 DU 調度器都會做出關閉某些具有低預測流量負載的小區的決定，以降低能耗。它們還觸發來自相鄰活動小區的協調多點傳輸/接收（ CoMP ），以確保有效覆蓋。
近 RT-RIC 有助于在同一頻段上實現 eMBB 和 URLLC 數據業務的高效復用。由于服務需求的顯著差異， eMBB 和 URLLC 傳輸被安排在兩個不同的時間尺度上： eMBB 和 URLLC 的時隙和小時隙級別。
位于近 RT RIC 的基于 AI 的 xApp 可以根據從 DU 通過 E2 接口傳輸的流量統計信息來學習和預測 URLLC 數據包到達模式（圖 1 ）。在 DU 調度器中使用這種預測知識來優化 eMBB 數據流之上的 URLLC 小時隙的資源預留。它還用于最小化這種多路復用造成的 eMBB 吞吐量損失。
您還可以設想一個 xApp 用于大規模 MIMO 波束形成優化，以最大限度地提高 spe CTR al 效率。在這種情況下，非 RT-RIC 承載 rApp 以執行長期數據分析。 rApp 的任務是收集和分析天線陣列參數，并不斷更新 ML 模型。近 RT-ricxapp 正在實現 ML 推斷以配置例如波束水平和垂直孔徑以及單元形狀。
為什么是 GPU ？
5G NR 物理層的信號處理需求（ MACs /秒）是巨大的。 GPU 的大規模并行性帶來了能夠支持這類工作負載的硬件資源。事實上，一個 GPU 可以支持許多 10s 載波的基帶處理需求。上一代系統通常采用專用硬件加速器。然而， GPU 的并行性通過提供高級編程信號處理算法的 C ++抽象來實現 RAN 的軟件化。
然而， GPU 的價值超出了 vRAN 信號處理。在大數據與無線結合的 5G 和 6G 系統中， AI / ML 用于提高網絡性能， GPU 是模型訓練和推理的默認標準。
一個通用的基于 GPU 的硬件平臺可以支持訓練、推理和信號處理等任務。然而，這不僅僅是關于 GPU 硬件。一個同樣重要的考慮因素是用于編程 gpu 和 sdk 的軟件以及用于應用程序開發的庫。
gpu 是使用 CUDA 編程的， ZCK0 是世界上唯一商業上成功的基于 C / C ++的并行編程框架。還有一組豐富的 GPU 庫，用于開發使用 NVIDIA RAPIDS 軟件套件的數據分析管道。數據分析管道可以是 SMO /非 RT RIC 用于更新和微調在近 RT RIC 下運行的推理模型的服務之一。
VMware 和 NVIDIA 合作伙伴關系
在 2021 年初， VMware 發布了世界上第一個符合 O-RAN 標準的近 RT RIC ，用于與選定的 RAN 和 xApp 供應商合作伙伴進行集成和測試。為了便于在其近 RT-RIC 上開發 xApp ， VMware 向其 xApp 合作伙伴提供了一組打包為 SDK 的開發人員資源。
今天， VMware 和 NVIDIA 興奮地宣布，近乎 RT 的 RIC SDK 現在使 xApp 開發人員能夠在其應用程序中利用 GPU 加速。這是業界一個激動人心的里程碑。它為更大的行業打開了大門，為現代 RAN 構建 AI / ML 動力能力，包括那些基于 NVIDIA 空中 gNB 堆棧的能力。最終， VMware RIC 和 NVIDIA 空中堆棧的組合將支持新的和創新的 XAPP 的開發和貨幣化，以增強或擴展已部署網絡的能力。
結論
開放性和智能性是 O-RAN 計劃的兩大核心支柱。隨著 5G 的推出和 6G 研究的不斷深入，無線網絡的部署、優化和運行的智能將是無所不包的。
從蜂窩網絡歷史上采用的不透明方法轉變為快速創新和新 RAN 功能上市的新時代打開了大門。 NVIDIA vRAN （ NVIDIA AIR ）和 AI 技術，結合 VMware RIC ，將培育新一代無線技術，開辟新的盈利和創新機會。
?
